基于群布谷鸟算法的模型参数辨识与PID控制器设计方法研究

摘要

智能优化算法是现代计算机科学炙手可热的研究领域之一。在众多的智能优化算法中，布谷鸟算法是近些年来发展的一种群智能算法。它需调参数少，却拥有良好的收敛效果，所以引起了越来越多的重视。本文就布谷鸟算法的参数与算法性能之间的关系进行研究，同时提出了一种改进的布谷鸟算法，即群布谷鸟算法。通过对几种不同类型的标准测试函数进行测试，说明了群布谷鸟算法的快速收敛性和结果精确性。同时，将群布谷鸟算法应用于自动控制领域的几个方面，包括:
　　(1)适用于多种激励信号的模型参数辨识。本文对模型参数与性能指标之间的关系进行分析，并使用群布谷鸟算法，估计在多种不同测试信号时模型的参数，取得了良好的效果。通过对几类不同对象的辨识仿真实验，说明了群布谷鸟算法能够用于解决适用于多种激励信号的模型参数辨识的问题。
　　(2)适用于带有多个目标和多种约束条件的PID设计问题。本文提出了使用群布谷鸟算法解决多目标多约束PID设计的方法。通过将多目标问题转化为单目标问题，多约束条件转化为单一约束条件，简化了设计PID时的目标函数。通过使用群布谷鸟算法，本文获得了控制器参数。
　　(3)本文所提出的一种抗饱和控制器中的补偿器设计问题，该问题是一类非凸优化问题。本文提出了一种通过定性分析进行静态前馈补偿的抗饱和IMC-PID控制结构，并借助群布谷鸟算法，进行静态前馈补偿器的设计。该结构通过定性分析，引入了三个静态抗饱和回路，使得对象输出能够较改进前能更快地跟踪设定值。
　　(4)多变量系统的IMC-PID控制器设计问题。本文针对基于EOTF的IMC-PID设计方法进行改进，提出了基于多变量系统粗模型的设计方法。粗模型是以多变量系统的控制回路为研究对象所得到的模型。本文采用群布谷鸟算法获取多变量系统的粗模型，同时也采用群布谷鸟算法获取IMC-PID参数。仿真实验表明该方法设计过程简单，控制效果良好。

目录

声明

摘要

第一章 绪论

1．1 论文的背景及意义

1．2 本课题有关的研究现状

1．2．1 智能优化算法的研究现状

1．2．2 布谷鸟算法的研究现状

1．2．3 系统辨识的研究现状

1．2．4 PID控制器设计的研究现状

1．3 本课题完成的主要工作

第二章 群布谷鸟算法

2．1 引言

2．2 基本布谷鸟算法

2．2．1 布谷鸟的巢寄生行为

2．2．2 基本布谷鸟算法

2．2．3 BCS的搜索路径

2．2．4 BCS算法的步骤

2．3 BCS的参数与性能分析

2．3．1 算法的性能与参数关系的研究方法

2．3．2 BCS算法的性能与参数关系

2．3．3 BCS的优点与缺点分析

2．4 群布谷鸟算法

2．4．1 群布谷鸟算法

2．4．2 SCS算法的步骤

2．5 数值计算实验及分析

2．5．1 数值计算实验

2．5．2 结果及分析

2．6 小结

第三章 基于群布谷鸟算法的适用于多种激励信号的模型参数估计方法

3．1 引言

3．2 参数估计问题分析

3．2．1 参数估计的性能指标

3．2．2 性能指标与参数的关系

3．3 基于群布谷鸟算法的闭环辨识参数估计方法

3．4 仿真实验及分析

3．4．1 一阶纯滞后对象的闭环辨识实验

3．4．2 二阶带不稳定零点和纯滞后对象的闭环辨识实验

3．4．3 高阶对象采用不同阶模型拟合的闭环辨识实验

3．4．4 多变量系统的闭环辨识实验

3．5 小结

第四章 基于群布谷鸟算法的适用于多目标和多约束条件的PID控制器设计方法

4．1 引言

4．2 PID参数设计问题分析

4．2．1 PID控制器的设计

4．2．2 带多目标的PID设计问题

4．2．3 带约束的PID问题

4．3 基于SCS的多目标多约束的PID设计

4．3．1 化多目标问题为单目标问题

4．3．2 化带约束问题为无约束问题

4．3．3 基于群布谷鸟算法的PID设计

4．4 仿真实验及分析

4．4．1 多目标PID设计仿真实验

4．4．2 多约束PID设计仿真实验

4．4．3 带有多目标与多约束的PID设计仿真实验

4．5 小结

第五章 基于定性分析的静态补偿抗饱和IMC-PID设计方法

5．1 引言

5．2 含有对象输入饱和的内模控制系统的分析

5．3 基于群布谷鸟算法的前馈补偿抗饱和IMC-PID设计方法

5．3．1 抗饱和内模控制策略

5．3．2 含有输入饱和系统的定性分析

5．4 仿真实验及分析

5．4．1 一阶纯滞后对象仿真及分析

5．4．2 高阶纯滞后对象仿真及分析

5．5 小结

第六章 基于多变量系统粗模型的IMC-PID控制器设计方法的初步研究

6．1 引言

6．2 基于EOTF的多变量系统IMC-PID设计方法

6．2．1 多变量系统的EOTF及其在IMC-PID中的应用

6．2．2 基于EOTF设计多变量系统IMC-PID方法的缺点

6．3 多变量系统的粗模型及其在IMC-PID设计中的应用

6．3．1 多变量系统的粗模型及其获取方法

6．3．2 多变量系统的粗模型在设计IMC-PID中的应用

6．4 仿真实验及分析

6．4．1 TITO的粗模型及IMC-PID设计

6．4．2 MIMO的粗模型及IMCPID设计

6．5 小结

第七章 总结与展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介